毕业论文整理（四）：彩色图像分割的颜色空间

颜色空间概述

入门彩色图像分割首先当然要了解一下颜色空间。

RGB颜色空间

RGB颜色空间的设计初衷是，用红色（Red）、蓝色（Blue）和绿色（Green）作为基础颜色，通过三基色的强弱变化组合成整个颜色空间中的各种颜色。

如上图所示，分别以红色、绿色、蓝色分量为R轴、G轴、B轴建立坐标系，原点(0, 0, 0)代表的颜色为黑色，(1, 0, 0)、(0, 1, 0)、(0, 0, 1)分别表示红色、蓝色、绿色，构成的立方体中体对角线端点(1, 1, 1)代表的颜色为白色，而体对角线上的颜色则是由黑色过渡到白色的灰度。至此，任意一种常见颜色都可以由(R, G, B)的坐标数值表示出来。

RGB颜色空间最开始用于彩色电视机，通过红色、绿色、蓝色发光材料的发光强度来展示彩色图像，后来在计算机显示器中被广泛使用，所以目前大多数计算机中的彩色图像都是通过保存每个像素点上的RGB三个颜色值来进行存储的。然而这种颜色空间有诸多缺点，首先，RGB是不均匀的颜色空间，两点之间的距离和对应点上的颜色差异不相符；其次，RGB的三个分量并不是独立的，每个分量上都保存了相当数量的图像信息；最后，RGB三个分量是以颜色为基础的，而没有任何的图像学意义。

HSI颜色空间

HSI颜色空间采用色调（Hue）、饱和度（Saturation）和亮度（Intensity）三个分量来描述全部色彩。色调定义了颜色的种类，反映的是颜色波长的差异，比如红色、蓝色、绿色、黄色、紫色等等；饱和度则定义了颜色的深浅，反映的是颜色鲜艳程度的差异，比如浅红色、深红色；而亮度和图像的颜色信息无关，反映了图像的明暗程度，也就是颜色之间的相对明暗程度，比如一张天空的彩色图像中，太阳给人的感觉非常明亮，而旁边的蓝天则给人感觉比较暗。

HSI颜色空间如上图所示。

• H分量的取值范围是[0°, 360°]，从0°的红色、黄色，过渡到120°的绿色、青色，然后转为240°的蓝色、品红，最终回到360°的红色；
• S分量的取值范围是[0, 1]，从值为0的全白光，到值为1的纯彩色；
• I分量的取值范围一般为[0, 1]，从值为0的黑暗，到值为1的明亮。

人类对亮度的变化总是比对颜色的变化更为敏感，说明人的细胞会独立地反映颜色变化和亮度变化。所以HSI颜色空间非常符合人的视觉特性，将颜色变化的H、S分量和亮度变化的I分量分隔开来，并且各个分量都有明确的意义，相比于RGB颜色空间来说更加适合进行彩色图像分割。HSI被广泛地应用于各种图像处理算法，包括一些图像处理软件的功能，比如让彩色图像看起来更鲜艳一些的功能可以通过提升饱和度分量的数值来完成。但HSI颜色空间的I分量和RGB颜色空间仍有线性关系，并没有完全地脱离RGB颜色空间体系。

HSV颜色空间

HSV颜色空间采用色调（Hue）、饱和度（Saturation）和明度（Value），和HSI颜色空间非常类似，模型呈现一个倒圆椎体，如下图所示。

HSV和HSI的H分量的含义相同，都表示颜色种类，其定义和数值几乎相同，HSI的H分量表示波长的变化，而HSV的H分量是人工定义的红色、绿色、蓝色分别对应角度0°、120°、240°，其间的颜色均匀变化。HSV和HSI的S分量、I分量、V分量的含义、定义、数值均完全不同。HSI的S分量表示颜色的深浅，它与颜色加入白光的程度成反比，和鲜艳程度成正比，也可以称为纯度；而HSV的S分量则反映颜色的浓淡，它对应于画家配色的方法，饱和度为100%的颜色通常纯度并没有达到100%。HSI的I称为亮度，最高的亮度达到了白光的强度，而HSV的V分量反映了明度，最高的明度达到了中度灰的亮度。所以，图像的冷暖、明暗受到HSV颜色空间的S分量和V分量共同控制，而HSI颜色空间的S分量和I分量则是相对独立的。

Lab颜色空间

Lab颜色空间是由国际照明委员会制定的设备无关、基于人类视觉感知的颜色系统，L表示亮度（Luminosity），a表示从红色到绿色，b表示从黄色到蓝色。

如下图所示为Lab颜色空间模型

• L取值范围为[0, 100]，从值为0的黑色变化到值为100的白色；
• a的取值范围为[-128, 127]，从值为-128的绿色逐渐过渡到值为127的红色；
• b的取值范围也是[-128, 127]，从值为-128的蓝色逐渐过渡到127的黄色。

Lab在功能上来说几乎是完美的颜色空间：首先，它比RGB色域、CMYK色域、甚至人类视觉色域所能涵盖的颜色数量都还要多。其次，Lab非常符合人类视觉特性，将亮度和颜色作为不同分量区分开来，有利于图像处理。同时Lab解决了之前很多颜色空间的“色彩不均匀”问题，比如RGB颜色空间中，红色到绿色之间缺少黄色等过渡色，绿色到蓝色之间的过渡色又过多了，Lab可以称得上是目前最均匀的色彩空间。而且Lab并不是基于光学、颜料调色等基础理论产生的，因此不依赖于任何设备。

但是Lab颜色空间也有比较多令人遗憾的部分。目前来说计算机存储的图像文件通常都是基于RGB颜色空间的，然而RGB颜色空间并不能直接转换到Lab颜色空间，需要经过一次XYZ颜色空间的过渡转换，公式非常复杂，极其耗时。同时Lab并没有区分开色调和饱和度，这对彩色图像处理是比较不利的。

颜色空间用于图像分割的比较

RGB颜色空间是大部分计算机中彩色图像的存储方式，但是由于其各个分量并没有明确含义，而彩色图像分割算法通常都是基于单通道的，因此不用它来进行图像分割，而是用来输入和输出图像。HSI颜色空间被很多图像处理论文所使用，如果使用I分量，那么和处理灰度图像没有任何区别，大量的彩色图像信息被丢弃，所以大部分彩色图像分割工作者都会使用H分量、或者H分量和S分量结合。考虑到H分量很好地反映了图像的颜色变化，涵盖了彩色图像的大部分信息，而S分量反映了颜色的深浅，但一般无论是深色的草地和浅色的草地都会被分割成草地，而绿色的草地和蓝色的天空才会被分割成两类不同的物体，因此可以只使用H分量来进行彩色图像分割。对于HSV颜色空间来说，并没有HSI颜色空间分得那么开，不过由于只提取H分量，因此也是可以考虑的，大量的论文也都使用了HSV颜色空间。Lab颜色空间功能非常完美，但是计算非常耗时，色调和饱和度也没有区分开，这对于需要处理大量样本的KNN基础分类模型来说并不是件好事。

RGB转HSI的公式比较

在彩色图像分割之前，需要将RGB颜色空间的输入图像转换到HSI颜色空间。目前有许多种RGB颜色空间到HSI颜色空间的转换算法，主要包括几何推导算法、坐标变换算法、分段定义算法、Bajon近似算法，标准模型算法等等，详细的转换公式如下表所示。

其中，M=max(R, G, B)，m = min(R, G, B)。

几何推导和坐标变换中，色调公式实质上是等价的，而Bajon近似算法则是为了加快运行速度提出的，会损失掉一些细节。经过不同型号计算机和大量的实验测试后发现，几何推导算法对颜色特征保留完整，分辨力很高，适合用作特征分析；坐标变换的RGB到HSI对应关系比较准确；坐标变换和标准模型转换后的颜色值分布相对更均匀一些；而后三种算法的运行速度比前两种算法的运行速度更快；前三种算法从HSI空间反变换回RGB空间所求得的值和与原RGB值更加接近。
综合考虑精准度、速度、均匀程度等等方面的特性，几何推导是不错的方式。